3D 多体模型：将一组合理的 3D 人体模型拟合到模糊的图像数据中

我们研究了从单视角和部分遮挡视图中获取人体密集3D重建的问题。在这些情况下，视觉证据通常不足以唯一确定一个3D重建结果，因此我们的目标是从输入数据中恢复多个合理的重建结果。我们认为，通过使用合适的3D模型（如用于人体的SMPL模型）对可能的身体形状和姿态进行参数化，可以更有效地建模不确定性。我们提出了一种基于最佳M损失（best-of-M loss）的多假设神经网络回归器学习方法，其中每个假设都通过生成模型约束在合理的人体姿态流形上。实验表明，我们的方法在标准的人体3D基准测试中以及在这些基准测试的严重遮挡版本中，优于其他替代方法，在模糊姿态恢复方面表现突出。